基于BP神经网络的SLS烧结件质量的预测

选择性激光烧结的烧结件质量预测是一个多变量、非线性的问题,采用传统的方法很难得到满意的结果。采用BP神经网络模型,在数值模拟取样的基础上,建立了烧结件质量的神经网络预测模型。该模型确定了工艺参数激光功率P、扫描速度v和预热温度T0与烧结宽度和烧结深度的关系。其预测结果与数值模拟结果相一致,说明该神经网络模型能定量地反映出工艺参数与烧结件质量之间的关系,据此可合理选择加工工艺参数。     

基于BP神经网络预测药芯焊条耐磨性

应用Matlab语言及其神经网络工具包，通过BP神经网络，对WRS型金属基陶瓷药芯焊条堆焊层耐磨性进行模拟和预测，结果表明，该方法能够较准确地预测该药芯焊条在泥砂磨损中的耐磨性能。     

基于BP神经网络的CCT曲线预测研究

分析影响钢的CCT(过冷奥氏体连续冷却转变)曲线的主要因素,基于BP神经网络算法及特征,建立CCT曲线的预测模型,并建立与之匹配的训练样本集。通过大量的实验,确定稳定的、具有预测功能的网络结构。预测结果能有效解决在无物理实验条件下,初步预测金属材料的组织、性能,为研制新钢材奠定基础。     

基于BP神经网络的异步电机制动时间预测

在能耗制动方式下,制动时间是影响异步电机停车定位精度的重要参数。针对制动时间与其影响因素之间的非线性关系,提出基于BP神经网络的制动时间预测方法。通过实验采集样本数据,并对其做归一化处理;然后建立预测制动时间的BP网络模型;最后利用训练样本对BP网络进行训练,并将测试样本输入已经训练好的网络进行仿真。仿真结果表明,该方法有很好的预测效果。     

基于BP神经网络风力发电机轴承座的铸造工艺参数预测模型

基于KBE概念和BP神经网络,结合正交试验设计方法和铸造模拟建立了大型风力发电机轴承座铸件品质的预测模型。浇注温度、浇注时间和模具初始温度作为BP网络训练样本的输入值,基于Procast铸造模拟软件仿真得到的轴承座缩松缺陷面积、轴承座凝固时间、轴承座凝固后铸件最大温差作为模型目标值。结果表明,利用该模型可预测铸件任意工艺参数组合下的结果值,经过模拟试验和预测值的对比,两种方式获得的结果十分吻合,从而缩短大型铸件研发周期,降低了试制成本,并能给出最佳工艺参数组合,对实际生产可以进行快速高效的指导。     

基于粗糙集BP神经网络的AZ31镁合金挤压力快速预测模型

利用粗糙集、BP神经网络和有限元模拟3种方法有机结合,对AZ31镁合金挤压力进行快速预测。针对BP神经网络结构中隐层神经元个数、输入层至隐层神经元间初始权值大小的确定,提出一种基于粗糙集理论优化BP网络结构的方法,通过粗糙集属性约简、属性权重确定,对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数及输入层至隐层神经元间初始权值,并应用于AZ31镁合金挤压力快速预测中,建立挤压工艺参数与挤压力间的非线性映射关系。与试验对比结果表明,该快速预测模型预测精度高,误差在5%以内;预测时间短,在10s左右。解决了传统挤压力预测中的精度差、效率低的问题。该方法还可推广应用到对挤压出口温度等参数的预测。     

基于BP神经网络的表面缺陷检测分类

精密轴承应用广泛,精度要求高,轴承表面缺陷对其使用影响很大。因此,对轴承缺陷的检测很有必要。目前的检测以人工为主,但当缺陷小于0.075 mm时人眼就很难识别。以CCD摄像机为视觉结合图像处理技术,设计一种轴承在线检测方法,能够在很大程度上提高检测效率和检测精度,最后利用BP神经网络进行缺陷分类,实验结果表明:分类正确率可达92.7%,符合工业要求。     

基于BP神经网络数控机床切削能耗的研究

数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响;基于BP神经网络搭建数控机床能耗与切削参数的模型,简化了经验公式繁琐的计算过程;利用遗传算法对切削参数进行优化。对比试验表明:用优化后的参数进行加工,能明显地降低能耗,为加工过程能耗控制提供了一个良好的方案。     

基于神经网络的磨削工艺参数智能预测模型

磨削参数的合理选择对于磨削加工过程有着重要的影响,将人工智能运用到磨削工艺参数的选择过程中是现代发展的一个新趋势.在分析现有的智能算法后,提出了一种利用BP神经网络模型来确定磨削参数的方法.在该方法中综合考虑影响磨削加工的因素,把它们列为神经网络系统的输入参数,并对输入参数进行编码;同时也对输出参数(砂轮速度、工件速度、磨削深度、磨削进给速度)进行了归一化处理以适应神经网络的学习.采用循环算法比较得出隐层的最优神经元个数,从而最终建立了磨削参数智能预测模型,并利用Matlab进行仿真预测,仿真结果表明该预测模型准确率很高,能为磨削参数的选择提供可靠数据.     

基于BP人工神经网络模型的激光焊缝宽度预测方法

激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值.     

基于BP神经网络的金属陶瓷TiC-Ni触变成形本构关系模型

利用Gleeble-2000动态材料热模拟机,对TiC-Ni自蔓延燃烧后的试样进行压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为TiC-Ni金属陶瓷的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可为TiC-Ni金属陶瓷反应热压工艺的制定及其热压过程的有限元模拟提供参考.     

基于改进BP神经网络优化的管道腐蚀速率预测模型研究

目的构造金属管道腐蚀速率预测模型,预测管道的使用寿命。方法分析了二氧化碳(CO2)和硫化氢(H2S)对金属管道的腐蚀过程,给出了管道腐蚀的化学反应方程式。引用了BP神经网络构造金属管道腐蚀速率的数学模型,采用了改进粒子群算法对预测模型进行优化。以45号金属管道为例,借助于Matlab软件对管道腐蚀速率进行仿真验证,并与实验测量数据进行对比和分析。结果金属管道腐蚀速率随着CO2或H2S压强的增大而逐渐增大,仿真结果显示CO2和H2S的最大腐蚀速率分别为7.20×10-5 mm/h和5.76×10-5mm/h,而实验测量结果显示CO2和H2S的最大腐蚀速率分别为7.14×10-5 mm/h和5.65×10-5 mm/h,采用改进BP神经网络预测模型所产生的相对误差在5%以内。结论金属管道在不同压强条件下,采用改进BP神经网络预测模型能够近似地预测其腐蚀速率,为金属管道的更换提供了参考依据。     

基于 BP 神经网络的 Fe 基合金粉末喷涂工艺参数优化

目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。     

基于BP神经网络的SCARA机器人故障诊断

以SCARA机器人为研究对象,在ADAMS软件中建立SCARA机器人模型,进行仿真。采集SCARA机器人大臂前后端、小臂前后端及底座等容易出现裂纹部位的加速度数据;在MATLAB中运用BP神经网络建立SCARA机器人故障诊断模型,实现利用BP神经网络对SCARA机器人故障进行智能识别与分类。结果表明：BP神经网络的计算结果与期望输出基本一致,验证了其准确性及可靠性。     

基于BP神经网络的液压伺服阀的模型辨识

针对铁马工程中液压振动台在实际应用时不能达到预期控制效果的问题,利用神经网络具有逼近任意非线性映射的能力,使用BP神经网络对液压振动台中的核心设备液压伺服阀进行模型辨识.仿真结果表明这种方法能有效地对液压伺服阀进行辨识,辨识出的模型为设计合理的控制方法提供了理论依据.     

基于BP神经网络的TA15钛合金流动应力预测

利用Gleeble 1500热模拟机进行了TA15钛合金不同变形温度、变形程度和应变速率条件下的热压缩试验.在试验数据基础上,应用BP神经网络建立TA15钛合金高温变形本构关系.研究结果表明,通过BP神经网络得到的流动应力具有较高的精度,能够客观地反映TA15钛合金在塑性加工过程中的动态行为,具有重要的工程应用价值.     

基于BP神经网络的并联机构误差分析

以3-UPS/S并联机器人机构为研究对象,构建一种基于虚拟实验与BP神经网络的并联机构输出误差预测模型,能够快速预测并联机器人机构的输出误差。充分考虑并联机构铰链安装误差与铰链轴线误差,建立包含上述输入误差的虚拟样机模型,通过虚拟实验仿真求解该机构输出误差;假定机构零部件在大批量生产情况下误差服从正态分布,构造多组服从正态分布的输入误差样本,进而建立该机构的BP神经网络预测模型。研究结果表明:该BP神经网络模型可以准确、快速地对机构位姿输出误差进行预测,为并联机器人机构的误差分析与精度综合提供了新的依据。     

基于BP神经网络的管道腐蚀速率预测

本文将采用BP神经网络技术,以压力、温度、流速、含硫量和酸值作为输入参数,以管道内腐蚀速率作为输出参数,建立了输油管道的腐蚀速率预测模型。计算结果表明,该模型具有较好的预测精度,模拟出的腐蚀速率与实测值能较好的吻合,并且能够反映各因素与腐蚀速率之间的关系。